预测精度达0.015 °C
基于EMD与LSTM的模型，通过分解重构降低非线性和时变效应，实现碳纤维氧化稳定过程温度的精准预测。
Guo, Yuanjing · 姜少飞 · Jiangen, Fu · 杨友东 · 鲍雨梅 · 金晓航
Journal of Cleaner Production 2023
利用EMD对加热功率数据进行分解和重构，使训练数据与温度之间的非线性关系得到缓解，从而让机器学习网络更容易学到规律。
对测试数据也用同样方式分解重构，减轻测试时功率输入相对训练数据的时变效应，使模型部署后持续有效。
六座氧化炉的平均RMSE为0.0153 °C，优于未重构数据训练的LSTM模型和五种常用机器学习网络，可直接用于过程控制。